一、正則表示式

正則表示式為我們提供了抓取資料的快捷方式。雖然該正則表示式更容易適應未來變化，但又存在難以構造、可讀性差的問題。當在爬京東網的時候，正則表示式如下圖所示：

利用正則表示式實現對目標資訊的精準採集

此外 ，我們都知道，網頁時常會產生變更，導致網頁中會發生一些微小的佈局變化時，此時也會使得之前寫好的正則表示式無法滿足需求，而且還不太好除錯。當需要匹配的內容有很多的時候，使用正則表示式提取目標資訊會導致程式執行的速度減慢，需要消耗更多記憶體。

二、BeautifulSoup

BeautifulSoup是一個非常流行的 Pyhon 模組。該模組可以解析網頁，並提供定位內容的便捷介面。通過'pip install beautifulsoup4'就可以實現該模組的安裝了。

使用 BeautifulSoup的第一步是將己下載的 HTML 內容解析為 soup文件。

由 於大多 數網 頁都不具備良好的HTML 格式，因此BeautifulSoup需要對實際格式進行確定。

BeautifulSoup能夠正確解析缺失的引號並閉合標籤，此外還會新增＜html ＞和＜body＞標籤使其成為完整的HTML文件。

通常使用find() 和find_all()方法來定位我們需要的元素。

如果你想了解BeautifulSoup全部方法和引數，可以查閱BeautifulSoup的官方文件。雖然BeautifulSoup在程式碼的理解上比正則表示式要複雜一些，但是其更加容易構造和理解。

三、Lxml

Lxml模組使用 C語言編寫，其解析速度比 BeautiflSoup更快，而且其安裝過程也更為複雜，在此小編就不贅述啦。XPath 使用路徑表示式在 XML 文件中選取節點。節點是通過沿著路徑或者 step 來選取的。

Xpath

使用 lxml 模組的第一步和BeautifulSoup一樣，也是將有可能不合法的HTML 解析為 統一格式。

雖然Lxml可以正確解析屬性兩側缺失的引號，並閉合標籤，不過該模組沒有額外新增＜html ＞和＜body＞標籤 。

線上複製Xpath表示式可以很方便的複製Xpath表示式。但是通過該方法得到的Xpath表示式放在程式中一般不能用，而且長的沒法看。所以Xpath表示式一般還是要自己親自上手。

四、CSS

CSS選擇器表示選擇元素所使用 的模式。BeautifulSoup整合了CSS選擇器的語法和自身方便使用API。在網路爬蟲的開發過程中，對於熟悉CSS選擇器語法的人，使用CSS選擇器是個非常方便的方法。

CSS選擇器

下面是一些常用的選擇器示例。

• 選擇所有標籤： ＊
• 選擇＜a＞標 籤： a
• 選擇所有class＝”link” 的元素： .l in k
• 選擇 class＝”link” 的＜a＞標籤： a.link
• 選擇 id= " home ” 的＜a＞標籤： a Jhome
• 選擇父元素為＜a＞標籤的所有＜ span＞子標籤： a > span
• 選擇＜a＞標籤內部的所有＜span＞標籤： a span
• 選擇title屬性為” Home ” 的所有＜a＞標籤： a [title=Home]

五、效能對比

lxml 和正則表示式模組都是C語言編寫的，而BeautifulSoup則是純Python 編寫的。下表總結了每種抓取方法的優缺點。

相對困難需要注意的是。lxml在內部實現中，實際上是將CSS選擇器轉換為等價的Xpath選擇器。

六、總結

如果你的爬蟲瓶頸是下載網頁，而不是抽取資料的話，那麼使用較慢的方法（如BeautifulSoup） 也不成問題。

如果只需抓取少量資料，並且想要避免額外依賴的話，那麼正則表示式可能更加適合。

不過，通常情況下，

l xml是抓取資料的最好選擇，這是因為該方法既快速又健壯，而正則表示式和BeautifulSoup只在某些特定場景下有用。

Python爬蟲谷歌Chrome F12抓包過程原理解析

瀏覽器開啟網頁的過程就是爬蟲獲取資料的過程，兩者是一樣一樣的。瀏覽器渲染的網頁是豐富多彩的資料集合，而爬蟲得到的是網頁的原始碼htm有時候，我們不能在網頁的html程式碼裡面找到想要的資料，但是瀏覽器開啟的網頁上面卻有這些資料。這就是瀏覽器通過ajax技術非同步載入（偷偷下載）了這些資料。

大家禁不住要問：那麼該如何看到瀏覽器偷偷下載的那些資料呢？

答案就是谷歌Chrome瀏覽器的F12快捷鍵，也可以通過滑鼠右鍵選單“檢查”（Inspect）開啟Chrome自帶的開發者工具，開發者工具會出現在瀏覽器網頁的左側或者是下面（可調整），它的樣子就是這樣的：

讓我們簡單瞭解一下它如何使用：

谷歌Chrome抓包:1. 最上面一行選單

左上角箭頭 用來點選檢視網頁的元素

第二個手機、平板圖示是用來模擬移動端顯示網頁

Elements 檢視渲染後的網頁標籤元素

提醒 是渲染後（包括非同步載入的圖片、資料等）的完整網頁的html，不是最初下載的那個html。

Console 檢視JavaScript的console log資訊，寫網頁時比較有用

Sources 顯示網頁原始碼、CSS、JavaScript程式碼

Network 檢視所有載入的請求，對爬蟲很有幫助

後面的暫且不管。

谷歌Chrome抓包:2. 重要區域

圖中紅框的兩個按鈕比較有用，編號為2的是清空請求記錄；編號3的是保持記錄，這在網頁有重定向的時候很有用

圖中綠色區域就是載入完整個網頁，瀏覽器的全部請求記錄，包括網址、狀態、型別等。寫爬蟲時，我們就要在這裡尋找線索，提煉金礦。

最下面編號為4的紅框顯示了載入這個網頁，一共請求了181次，數量是多麼地驚人，讓人不禁心疼七瀏覽器來。

點選一條請求的網址，右側就會出現新的視窗顯示該條請求的相信資訊：

圖中左邊紅框就是點選的請求網址；綠框就是詳情視窗。

詳情視窗包括，Headers（請求頭）、Preview（預覽響應）、Response（伺服器響應內容）和Timing（耗時）。

Preview、Response 幫助我們檢視該條請求是不是有爬蟲想要的資料；

Headers幫助我們在爬蟲中重建http請求，以便爬蟲得到和瀏覽器一樣的資料。

瞭解和熟練使用Chrome的開發者工具，大家就如虎添翼可以順利寫出自己的爬蟲啦。

Python爬蟲JSON及JSONPath執行原理詳解

SON(JavaScript Object Notation) 是一種輕量級的資料交換格式，它使得人們很容易的進行閱讀和編寫。同時也方便了機器進行解析和生成。適用於進行資料互動的場景，比如網站前臺與後臺之間的資料互動。

JsonPath 是一種資訊抽取類庫，是從JSON文件中抽取指定資訊的工具，提供多種語言實現版本，包括：Javascript, Python， PHP 和 Java。

JsonPath 對於 JSON 來說，相當於 XPATH 對於 XML。

JsonPath與XPath語法對比：

Json結構清晰，可讀性高，複雜度低，非常容易匹配，下表中對應了XPath的用法。

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import urllib2
# json解析庫，對應到lxml
import json
# json的解析語法，對應到xpath
import jsonpath

url = "http://www.lagou.com/lbs/getAllCitySearchLabels.json"
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}

request = urllib2.Request(url, headers = headers)
response = urllib2.urlopen(request)

# 取出json檔案裡的內容，返回的格式是字串
html = response.read()
# 把json形式的字串轉換成python形式的Unicode字串
unicodestr = json.loads(html)

# Python形式的列表
city_list = jsonpath.jsonpath(unicodestr, "$..name")
#for item in city_list:
#  print item
# dumps()預設中文為ascii編碼格式，ensure_ascii預設為Ture
# 禁用ascii編碼格式，返回的Unicode字串，方便使用
array = json.dumps(city_list, ensure_ascii=False)
#json.dumps(city_list)
#array = json.dumps(city_list)
with open("lagoucity.json", "w") as f:
  f.write(array.encode("utf-8"))

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import json
from lxml import etree

url = "http://www.qiushibaike.com/8hr/page/2/"
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
request = urllib2.Request(url, headers = headers)
html = urllib2.urlopen(request).read()

# 響應返回的是字串，解析為HTML DOM模式 text = etree.HTML(html)
text = etree.HTML(html)


# 返回所有段子的結點位置，contains()模糊查詢方法，第一個引數是要匹配的標籤，第二個引數是標籤名部分內容
node_list = text.xpath('//div[contains(@id, "qiushi_tag")]')


items ={}
for node in node_list:
  # xpath返回的列表，這個列表就這一個引數，用索引方式取出來，使用者名稱
  username = node.xpath('./div/a/@title')[0]

  # 取出標籤下的內容,段子內容
  content = node.xpath('.//div[@class="content"]/span')[0].text

  # 取出標籤裡包含的內容，點贊
  zan = node.xpath('.//i')[0].text

  # 評論
  comments = node.xpath('.//i')[1].text


  items = {
    "username" : username,
    "content" : content,
    "zan" : zan,
    "comments" : comments
  }
  with open("qiushi.json", "a") as f:
    f.write(json.dumps(items, ensure_ascii=False).encode("utf-8") + "
")

一、python中的str和unicode
一直以來，python中的中文編碼就是一個極為頭大的問題，經常丟擲編碼轉換的異常，python中的str和unicode到底是一個什麼東西呢？
在python中提到unicode，一般指的是unicode物件，例如'哈哈'的unicode物件為u'\u54c8\u54c8'

而str，是一個位元組陣列，這個位元組陣列表示的是對unicode物件編碼(可以是utf-8、gbk、cp936、GB2312)後的儲存的格式。

這裡它僅僅是一個位元組流，沒有其它的含義，如果你想使這個位元組流顯示的內容有意義，就必須用正確的編碼格式，解碼顯示。
例如：

對於unicode物件哈哈進行編碼，編碼成一個utf-8編碼的str－s_utf8,s_utf8就是是一個位元組陣列，存放的就是'\xe5\x93\x88\xe5\x93\x88'，但是這僅僅是一個位元組陣列，如果你想將它通過print語句輸出成哈哈，那你就失望了，為什麼呢？

因為print語句它的實現是將要輸出的內容傳送了作業系統，作業系統會根據系統的編碼對輸入的位元組流進行編碼，這就解釋了為什麼utf-8格式的字串“哈哈”，輸出的是“鍝堝搱”，因為 '\xe5\x93\x88\xe5\x93\x88'用GB2312去解釋，其顯示的出來就是“鍝堝搱”。這裡再強調一下，str記錄的是位元組陣列，只是某種編碼的儲存格式，至於輸出到檔案或是打印出來是什麼格式，完全取決於其解碼的編碼將它解碼成什麼樣子。

這裡再對print進行一點補充說明：當將一個unicode物件傳給print時，在內部會將該unicode物件進行一次轉換，轉換成本地的預設編碼（這僅是個人猜測）

二、str和unicode物件的轉換

str和unicode物件的轉換，通過encode和decode實現，具體使用如下：

將GBK'哈哈'轉換成unicode，然後再轉換成UTF8

三、Setdefaultencoding

如上圖的演示程式碼所示：

當把s(gbk字串)直接編碼成utf-8的時候，將丟擲異常，但是通過呼叫如下程式碼：

importsys

reload(sys)

sys.setdefaultencoding('gbk')

後就可以轉換成功，為什麼呢？在python中str和unicode在編碼和解碼過程中，如果將一個str直接編碼成另一種編碼，會先把str解碼成unicode，採用的編碼為預設編碼，一般預設編碼是anscii，所以在上面示例程式碼中第一次轉換的時候會出錯，當設定當前預設編碼為'gbk'後，就不會出錯了。

至於reload(sys)是因為Python2.5初始化後會刪除sys.setdefaultencoding這個方法，我們需要重新載入。

四、操作不同檔案的編碼格式的檔案

建立一個檔案test.txt，檔案格式用ANSI，內容為:

abc中文

用python來讀取

# coding=gbk

print open("Test.txt").read()

結果：abc中文

把檔案格式改成UTF-8：

結果：abc涓枃

顯然，這裡需要解碼：

# coding=gbk

import codecs

print open("Test.txt").read().decode("utf-8")

結果：abc中文

上面的test.txt我是用Editplus來編輯的，但當我用Windows自帶的記事本編輯並存成UTF-8格式時，

執行時報錯：

Traceback (most recent call last):

File "ChineseTest.py", line 3, in

print open("Test.txt").read().decode("utf-8")

UnicodeEncodeError: 'gbk' codec can't encode character u'\ufeff' in position 0: illegal multibyte sequence

原來，某些軟體，如notepad，在儲存一個以UTF-8編碼的檔案時，會在檔案開始的地方插入三個不可見的字元（0xEF 0xBB 0xBF，即BOM）。

因此我們在讀取時需要自己去掉這些字元，python中的codecs module定義了這個常量：

# coding=gbk

import codecs

data = open("Test.txt").read()

if data[:3] == codecs.BOM_UTF8:

data = data[3:]

print data.decode("utf-8")

結果：abc中文

五、檔案的編碼格式和編碼宣告的作用

原始檔的編碼格式對字串的宣告有什麼作用呢？這個問題困擾一直困擾了我好久，現在終於有點眉目了，檔案的編碼格式決定了在該原始檔中宣告的字串的編碼格式，例如：

str='哈哈'

printrepr(str)

a.如果檔案格式為utf-8，則str的值為：'\xe5\x93\x88\xe5\x93\x88'（哈哈的utf-8編碼）

b.如果檔案格式為gbk，則str的值為：'\xb9\xfe\xb9\xfe'（哈哈的gbk編碼）

在第一節已經說過，python中的字串，只是一個位元組陣列，所以當把a情況的str輸出到gbk編碼的控制檯時，就將顯示為亂碼：鍝堝搱；而當把b情況下的str輸出utf-8編碼的控制檯時，也將顯示亂碼的問題，是什麼也沒有，也許'\xb9\xfe\xb9\xfe'用utf-8解碼顯示，就是空白吧。>_<

說完檔案格式，現在來談談編碼宣告的作用吧，每個檔案在最上面的地方，都會用#coding=gbk類似的語句宣告一下編碼，但是這個宣告到底有什麼用呢？到止前為止，我覺得它的作用也就是三個：

1. 宣告原始檔中將出現非ascii編碼，通常也就是中文；
2. 在高階的IDE中，IDE會將你的檔案格式儲存成你指定編碼格式。
3. 決定原始碼中類似於u'哈'這類宣告的將‘哈'解碼成unicode所用的編碼格式，也是一個比較容易讓人迷惑的地方，看示例：

#coding:gbk

ss=u'哈哈'

printrepr(ss)

print'ss:%s'%ss

將這個些程式碼儲存成一個utf-8文字，執行，你認為會輸出什麼呢？大家第一感覺肯定輸出的肯定是：

u'\u54c8\u54c8'

ss:哈哈

但是實際上輸出是：

u'\u935d\u581d\u6431'

ss:鍝堝搱

為什麼會這樣，這時候，就是編碼宣告在作怪了，在執行ss=u'哈哈'的時候，整個過程可以分為以下幾步：

1)獲取'哈哈'的編碼：由檔案編碼格式確定，為'\xe5\x93\x88\xe5\x93\x88'（哈哈的utf-8編碼形式）

2)轉成 unicode編碼的時候，在這個轉換的過程中，對於'\xe5\x93\x88\xe5\x93\x88'的解碼，不是用utf-8解碼，而是用宣告編碼處指定的編碼GBK，將'\xe5\x93\x88\xe5\x93\x88'按GBK解碼，得到就是''鍝堝搱''，這三個字的unicode編碼就是u'\u935d\u581d\u6431'，至止可以解釋為什麼printrepr(ss)輸出的是u'\u935d\u581d\u6431' 了。

好了，這裡有點繞，我們來分析下一個示例：

#-*-coding:utf-8-*-

ss=u'哈哈'

printrepr(ss)

print'ss:%s'%ss

將這個示例這次儲存成GBK編碼形式，執行結果，竟然是：

UnicodeDecodeError:'utf8'codeccan'tdecodebyte0xb9inposition0:unexpectedcodebyte

這裡為什麼會有utf8解碼錯誤呢？想想上個示例也明白了，轉換第一步，因為檔案編碼是GBK，得到的是'哈哈'編碼是GBK的編碼'\xb9\xfe\xb9\xfe'，當進行第二步，轉換成 unicode的時候，會用UTF8對'\xb9\xfe\xb9\xfe'進行解碼，而大家查utf-8的編碼表會發現，utf8編碼表（關於UTF- 8解釋可參見字元編碼筆記：ASCII、UTF-8、UNICODE）中根本不存在，所以會報上述錯誤。